[发明专利]一种改进的ShuffleNet卷积神经网络及其遥感图像的分类方法

说明书

本发明公开了一种改进的ShuffleNet卷积神经网络及其遥感图像的分类方法，该方法构建并训练ShuffleNet卷积神经网络，获取图像数据集并将图像数据集中的数据划分为训练集和测试集，对图像数据集进行预处理，并裁剪成分辨率为224×224的图像，将裁剪后的图像输入到Conv1层进行卷积运算，并对训练集中的图像进行特征提取，将特征提取后的图像输入到最大重叠池化层，将最大重叠池化层处理后的图像输入到ShuffleNet V2网络组成的三个阶段中，将第三个阶段输出的图像依次输入到Conv5层、SE模块、全局平均池化层、全连接层中，得到训练好的ShuffleNet卷积神经网络，将测试集输入至训练好的ShuffleNet卷积神经网络，得到图像分类结果。本发明可以有效地减少网络的内存占用量，有着较好的分类准确率。

技术领域

本发明涉及图像分类技术领域，特别是涉及一种改进的ShuffleNet卷积神经网络及其遥感图像的分类方法。

背景技术

近些年，随着航空遥感技术与卫星遥感技术的不断发展，出现了越来越多的由特殊卫星传感器提供的高分辨率遥感图像。对于这些遥感图像的有效处理，在城市规划、土地利用、灾害检测、天气预测、环境监测等众多实际应用中具有重要的意义，这些应用的有效性取决于分类模型的精度是否足够优秀。

人工手动对大量遥感图像进行识别与分类是不容易实现的，这些数量庞大的遥感图像迫切需要以自动和准确的方式进行处理与解释。提高遥感图像处理的自动化程度，不仅可节省大量的人力资源，并且可在保证解译精度的前提下，有效提升遥感图像的处理速度，从而提高遥感图像的利用率。

近些年，研究学者们对遥感图像的处理大多是采用机器学习的方法。视觉词袋模型(BoVW)是将图像分割成越来越精细的子区域，根据场景的低层特征来提取出相互独立的特征词汇，然后利用K-means算法等聚类算法合并词义相近的视觉词，构成一个单词表，但它基于手工提取的特征，难度大且耗时长。其他的传统机器学习方法如支持向量机(SVM)、决策树和贝叶斯分类网络也经常被用到，不过对遥感图像的分类准确性不高。

卷积神经网络(CNN)在解决图像处理问题时大放异彩，赢得了很多研究学者的青睐。卷积神经网络是一种前馈型神经网络，由一堆可自主学习的卷积滤波器组成，这些滤波器可以提取分层的上下文图像特征。卷积神经网络具有的局部感受野和权值共享特点，能够有效减少训练参数数目，池化层能够聚集不同位置的特征，在降低维度的同时还能避免过拟合。与传统的统计学方法相比，卷积神经网络无需对概率模型做出假设，提取特征的能力更强，具有极强的学习能力和容错能力，适用于解决模式识别的各种问题。

卷积神经网络相较于传统的图像处理算法的优点之一在于避免了对图像复杂的前期预处理过程，尤其是人工参与图像预处理过程，卷积神经网络可以直接输入原始图像进行一系列工作。因此，卷积神经网络因其能够自动发现图像分类问题中的相关上下文特征而受到广泛的应用，其在大型图像处理方面有出色的表现，目前已经被大范围使用到图像分类、定位等领域中。

现如今，研究学者们在构建卷积神经网络时为了追求更高的网络性能，通常通过加深网络的层数的操作使得卷积神经网络拥有更好的分类准确率，但同时CNN的体积越来越大、结构越来越复杂，训练和预测所需要的硬件资源也逐步增多，这些弊端使得大型的CNN往往只能在高计算能力的服务器中运行。因此移动嵌入式设备也就由于硬件资源、计算能力以及存储的限制，很难运行复杂的深度学习网络模型。所以需要一种能减少计算成本，且能提高卷积神经网络性能的图像分类方法。